Una IA de Google sería medalla de plata en las olimpiadas matemáticas
Inteligencia artificial
El agente AlphaProof produce estrategias de razonamiento comparables a las humanas
La IA alcanza nuevos hitos en aspectos de resolución de problemas matemáticos
La primera vez que descubrimos que un cerebro artificial podía superar en algunas habilidades a uno humano fue probablemente cuando el computador Deep Blue de IBM derrotó al gran maestro del ajedrez Garri Kasparov en 1997. Desde entonces, sabemos que, a la larga, el progreso tecnológico alcanzará nuevos hitos en los que la máquina irá aventajando a las personas. Uno de esos logros acaba de ser alcanzado por la división de inteligencia artificial DeepMind de Google, que ha presentado AlphaProof, un agente de IA diseñado para resolver problemas matemáticos complejos y que ha alcanzado el nivel de medallista de plata en Olimpiada Internacional de Matemáticas 2024 (IMO) para estudiantes de secundaria, algo nunca logrado por una IA y publicado en Nature .
AlphaProof resolvió tres de los cinco problemas no geométricos, incluido el más difícil de todos ellos. El nivel de medalla de plata se consiguió con la resolución de un problema geométrico por otra IA de DeepMind, AlphaGeometry.
La IA ha sido desarrollada para resolver problemas matemáticos complejos y se inspira en AlphaZero, un software de inteligencia artificial de DeepMind que es capaz de aprender a jugar al ajedrez o al Go a un nivel sobrehumano sin necesidad de conocer datos de partidas humanas jugadas previamente. AlphaProof utiliza la tecnología de aprendizaje por refuerzo dentro de un asistente de pruebas llamado Lean, que le proporciona la verificación formal que necesita para garantizar la lógica de cada paso que da.
La innovación clave es un método que genera variantes del problema para adaptar el aprendizaje
La innovación clave de AlphaProof es que cuando se enfrenta a los problemas más difíciles utiliza un método innovador llamado TTRL (acrónimo en inglés de aprendizaje por refuerzo en tiempo de prueba), que genera variantes del problema para adaptar el aprendizaje a cada caso concreto. La investigación de DeepMind demuestra que si la IA aprende a partir de una experiencia verificada es capaz de crear estrategias de razonamiento matemático comparables a las humanas, lo que supone un avance que puede resultar decisivo para llegar a una inteligencia artificial fiable en matemáticas.
Los autores admiten limitaciones actuales como el alto coste de computación y el tiempo de procesado,
Los autores de la investigación reconocen que AlphaProof tiene limitaciones como el alto coste computacional del entrenamiento y la inferencia, que necesita varios días para cada problema difícil, o la dificultad de extender este enfoque a la investigación matemática abierta.
Los enfoques de futuro de DeepMind buscarán “mejorar sustancialmente” la eficiencia del algoritmo. El objetivo es “reducir las barreras computacionales de entrada y garantizar que estas técnicas puedan convertirse en una herramienta colaborativa para toda la comunidad matemática”.
Pese a esos condicionantes, Alpha Proof supone un avance notable en el razonamiento automatizado, ya que en este caso la IA no se limita solo a imitar, sino también a descubrir pruebas formales complejas que puedan ser demostrables.
Entre la comunidad científica, el profesor emérito de investigación del CSIC y pionero de la investigación en IA Ramón López de Mántaras opina, en declaraciones recogidas por SMC España, que “se trata de un resultado excelente”.
López de Mántaras apunta que esta investigación desarrollada por Deep Mind demuestra que problemas matemáticos a los que se puede aplicar el aprendizaje por refuerzo “empiezan a ser accesibles para la IA, aunque es importante tener en cuenta que requieren considerable pericia humana para su formalización y una enorme potencia computacional”.
Marta Macho-Stadler, profesora del departamento de Matemáticas de la Universidad del País Vasco (UPV/EHU), observa que “es probable que en poco tiempo mejoren las capacidades (en términos de velocidad y tipo de problemas solucionados correctamente) de estos sistemas de IA”. Advierte que, de todos modos, existen problemas matemáticos complejos que requieren no solo de entrenamiento para solucionarlos, sino que “precisan de grandes dosis de creatividad. Y la creatividad es una capacidad humana”.